一种基于nano-TiO2@CaCO3-GOAP水性防腐涂料的制备方法

    公开(公告)号:CN118126579A

    公开(公告)日:2024-06-04

    申请号:CN202410256735.4

    申请日:2024-03-07

    Abstract: 本发明公开一种基于nano‑TiO2@CaCO3‑GOAP水性防腐涂料的制备方法。采用纳米碳酸钙锚定氧化石墨烯,利用无机粒子提高GO的分散性,制备的涂料。利用全氟葵基三氯硅烷和GO在DMF中进行催化反应,诱导GO表面生成Si‑O‑C基团,将其干燥后与纳米CaCO3在DMF溶液中超声分散,促使纳米CaCO3锚定在GO表面。由于GO具有较大层间距,利用水热法将超薄纳米TiO2耦合在CaCO3‑GO表面,构建以纳米二氧化钛包覆纳米碳酸钙改性的氧化石墨烯网状结构,达到强化涂层的抗拉伸性和防腐效果的目的。多种金属离子不仅可以与树脂分子中的活性基团发生化学反应,形成牢固的化学键合,增加防腐涂层的坚固和稳定性,还可以填充在树脂涂层的孔隙和缺陷中,提高了涂层的致密性和完整性,从而进一步增强其耐腐蚀和耐热性能。

    一种基于nano-TiO2@CaCO3-GOAP水性防腐涂料的制备方法

    公开(公告)号:CN118126579B

    公开(公告)日:2024-07-26

    申请号:CN202410256735.4

    申请日:2024-03-07

    Abstract: 本发明公开一种基于nano‑TiO2@CaCO3‑GOAP水性防腐涂料的制备方法。采用纳米碳酸钙锚定氧化石墨烯,利用无机粒子提高GO的分散性,制备的涂料。利用全氟葵基三氯硅烷和GO在DMF中进行催化反应,诱导GO表面生成Si‑O‑C基团,将其干燥后与纳米CaCO3在DMF溶液中超声分散,促使纳米CaCO3锚定在GO表面。由于GO具有较大层间距,利用水热法将超薄纳米TiO2耦合在CaCO3‑GO表面,构建以纳米二氧化钛包覆纳米碳酸钙改性的氧化石墨烯网状结构,达到强化涂层的抗拉伸性和防腐效果的目的。多种金属离子不仅可以与树脂分子中的活性基团发生化学反应,形成牢固的化学键合,增加防腐涂层的坚固和稳定性,还可以填充在树脂涂层的孔隙和缺陷中,提高了涂层的致密性和完整性,从而进一步增强其耐腐蚀和耐热性能。

    快速高精度的TDOA声源定位方法
    27.
    发明公开

    公开(公告)号:CN116203503A

    公开(公告)日:2023-06-02

    申请号:CN202310008249.6

    申请日:2023-01-04

    Abstract: 本发明提供了一种快速高精度的TDOA声源定位方法,解决的是无去噪手段情况下TDOA定位的求解速度和精度问题。本法中的方法包括:通过TDOA定位算法检测声源信号传播到两个传感器的时延,得到距离差,并通过多组传感器的传播距离差值确定声源位置;根据传播距离差元素间最大绝对距离准则,对TDOA求解方程组进行位置重排,以减小线性方程组方程排序对求解过程的影响;采用贪心策略,确定TDOA求解方程组用于求解声源坐标;对声源坐标进行密度聚类;对聚类中心进行选择,得到定位点。从而可以有效地提升TDOA声源定位算法的计算速度和定位精度。

    基于样本生成和序列对齐的变压器声音异常检测方法

    公开(公告)号:CN116110428A

    公开(公告)日:2023-05-12

    申请号:CN202310008248.1

    申请日:2023-01-04

    Abstract: 本发明提供了一种基于样本生成和序列对齐的变压器声音异常检测方法,包括对采样得到的音频序列进行分帧处理,得到时间序列,并将所述时间序列分为训练集和测试集;将所述训练集作为输入样本,训练自编码器,得到经过训练的自编码器;将所述测试集作为所述经过训练的自编码器的输入,输出预测序列,并对测试集中的时间序列和所述预测序列进行延时修正,使得所述测试序列与所述预测序列对齐;对所述测试序列和所述预测序列的误差进行评估,确定异常信号。从而可以避免人工采集和标注异常声信号的不便。此外,还考虑了自编码器的时间不敏感问题,提出序列对齐的方式来解决自编码器输出可能存在的时延效应。

    一种基于CEEMDAN-DBN的变压器故障识别方法

    公开(公告)号:CN116089857A

    公开(公告)日:2023-05-09

    申请号:CN202310006204.5

    申请日:2023-01-04

    Abstract: 本发明公开了一种基于CEEMDAN‑DBN的变压器故障识别方法,包括步骤S1:采集变压器正常状态及几种故障状态的振动信号;步骤S2:利用CEEMDAN进行模态分解,分解后提取各工况样本的特征向量;步骤S3:利用深度信仰网络对特征向量集进行训练学习,完成模型参数的调整优化,实现变压器运行状态的分类。本发明首先采用CEEMDAN分解变压器油箱表面的振动信号,然后,从分解后的模态分量中提取故障特征,计算各分量的能量熵,组成特征向量集。最后利用深度信仰网络对特征向量集进行训练学习,完成模型参数的调整优化,实现变压器运行状态的分类。通过实验验证所提方法能够高效地识别出变压器正常、绕组轴向形变、绕组径向形变和铁芯松动的运行工况。

Patent Agency Ranking